旋转机械故障诊断中的神经网络改进算法研究

就ＢＰ神经网络学习收敛速度慢和易出现局部最小点的不足，采用了自适应学习率和绝对误差等距离逼近方法，引入了控制因子常数，就控制因子常数，惯性因子常数以及隐层单元数对网络收敛迭代次数的影响进行了研究。并将改进算法应用于旋转机械故障诊断中。     

改进BP网络在旋转机械故障诊断中的用

ＢＰ神经网络在旋转机械故障诊断中得到了广泛应用，但是实践中发现，ＢＰ网络的联想能力有限，特别是对于多故障情况，本文以此进行了改进，提出了一种新型ＢＰ网络模型，新模型增加了输入、输出层间的部分连接，大大提高了ＢＰ网络的联想能力，特别适用于象旋转机械这类复杂系统的故障诊断。     

神经网络技术及其在旋转机械故障诊断中的应用

人工神经元网络模型是由大量的简单计算单元广泛相互联接而成的一个非线性动力学网络系统,它以高度的并行分布式处理、联想记忆、自组织及自学习能力和极强的非线性映射能力,在众多的领域里显示了广阔的应用前景。本文从模式识别的角度,论述了神经元网络技术及其在旋转机械故障诊断中的应用,就神经元网络结构及其所能形成的模式分类决策区域作了较为详尽的阐述,并与传统的模式识别技术作了比较。最后在振动频谱波形特征的基础上,就旋转机械中五种典型故障模式,用感知器网络进行了试验研究和分析。结果表明,人工神经元网络技术对于高维空间模式识别及非线性模式识别问题,具有较强的分类表达能力。作为一种新的自适应模式识别方法,神经元网络技术能够有效地解决故障诊断中较为复杂的状态识别问题。     

基于浅层Inception-MobileNet旋转机械故障诊断

针对现有的旋转机械故障诊断算法存在着时频表示模糊、特征提取困难,从而导致故障诊断效率和精度较低的问题,提出一种基于浅层Inception-MobileNet的旋转机械故障诊断模型。该模型通过拼接法将原始振动信号转换为二维图像,然后采用多尺度卷积核提取不同分辨率的特征图,并结合深度可分离卷积实现特征学习与分类。该网络在CWRU数据集和MFPT数据集上分别实现了十种故障分类和三种故障分类,分类精度为99.5%和95.78%。与传统的网络进行比较,该网络可提高特征提取能力,并且在相同数据集上该网络实现的故障识别精度最高。     

大型旋转机械故障诊断专家系统ETHYLENE的理论研究

本文在模糊产生式规则的基础上引入了加权模糊连接算子的概念,并研究了征兆的类型。在此基础上,为旋转机械模糊诊断知识提出了一个灵活的知识表达方法——广义模糊产生式规则。在征兆类型的基础上引入了征兆认可因子的概念.利用这一概念来描述模糊蕴涵关系的语义,基于征兆认可因子提出了一个模糊推理算法。文中还给出了由基于这一广义模糊产生式规则和模糊推理算法建立的透平压缩机组故障诊断专家系统ETHYLENE得到的两个诊断结果。     

基于椭球单元网络的旋转机械多故障同时性诊断

阐述了椭球单元（ＥｌｉｐｓｏｉｄａｌＵｎｉｔ）网络的原理及其结构，研究了网络权重初始化方法和网络的训练算法，借助这种高阶网络泛化的有界性，针对大型旋转机械多故障同时性诊断问题，构造了一种由多个子网络组成的分级诊断网络（ＨＤＡＮＮ）。测试结果表明：用基于椭球单元网络的ＨＤＡＮＮ网络分级诊断策略解决大规模故障诊断问题是合理有效的，且具有较高的诊断精度，可用于旋转机械工况实时监测和诊断场合。     

基于RPROP神经网络算法的旋转机械故障诊断模型

故障诊断模型是开展旋转机械设备状态检修的核心环节之一.采用弹性反馈(RPROP)神经网络算法建立旋转机械的神经网络故障诊断模型,通过与标准BP、带动量因子的反向传播(BP)算法相比较,表明了RPROP算法在故障模式识别中具有良好的学习效率与泛化能力,可以更好的描述频率特征和诊断结果之间的关系.     

旋转机械故障诊断中的主从混合神经网络模型研究

针对ＢＰ网络在旋转机械故障诊断应用中的不足，借助Ｈｏｐｆｉｅｌｄ网络的优良特性，建立了以反馈式Ｈｏｐｆｉｅｌｄ网络为主控网络、前馈式ＢＰ网络为从网络的主从混合神经网络模型。通过这个网络模型的设计、动力学行为分析、学习算法的描述和测试以及它在旋转机械故障诊断中的应用，结果表明：该网络模型具有收敛速度快、稳定性好、最小系统误差等优点，是一种实现旋转机械故障诊断的优良网络模型。     

旋转机械振动故障诊断理论与技术进展综述

非线性理论、信号处理、知识工程和计算智能等学科的发展,丰富了故障诊断的内容。总结了旋转机械故障机理、征兆提取和诊断推理等方面的一些进展情况。     

旋转机械故障诊断的自学习方法研究

分析并介绍了旋转机械故障诊断的模糊数学与专家系统相结合的诊断方法，提出了一种实用的自学习策略，用这一诊断方法在实验室对一双跨转子进行了两种常见故障的学习及诊断。并将该学习模块装入现场一台５０ＭＷ汽轮发电机组的故障诊断专家系统中，经过多年运行，专家系统知识库得到不断完善。     

时频分析在旋转机械故障诊断中的应用

针对旋转机械发生故障时振动信号的不平稳性，利用时频分析中的小波尺度图和再分配后的小波尺度图对点碰摩、松动、裂纹和油膜失稳故障进行对比分析，结果表明再分配小波尺度图比传统小波尺度图，具有更高的时频分辨率，可以更好地识别转子早期故障。     

旋转机械故障诊断的神经网络方法研究

BP神经网络具有较好的非线性映射能力,可以描述频率特征和故障之间的关系,而概率神经网络学习规则简单、训练速度快、避免局部极小和反复训练的问题。根据两种神经网络的原理选择合适的参数建立两个旋转机械故障诊断模型,并利用模型对某旋转机械的故障数据进行处理,结果显示两种网络在故障诊断方面的实用价值。通过对故障数据的结果对比可以看到PNN网络比BP网络具有更好的容错能力。     

基于小波降噪神经网络的旋转机械故障诊断

实测信号往往受到多种因素的干扰,如高频噪声.提出了一种小波降噪神经网络的故障诊断方法,利用小波的多重分辨率分析,有效降低高频噪声干扰,从而简化了有效特征信号的提取.建立了基于小波变换和BP神经网络的混合诊断模型,成功地对故障进行了智能诊断.最后实验验证了此种方法的有效性.     

旋转机械故障诊断的图形识别方法研究

以旋转机械振动三维参数图形为研究对象,提出了基于图形识别技术的旋转机械故障诊断方法。该方法用表征纹理的统计法、结构法及图形纹理方向的梯度法形成描述图形纹理特征的灰度-梯度-基元三维共生矩阵。该矩阵精确地反映了图形纹理的粗糙程度、重复方向和空间复杂度及纹理方向,准确地描述了图形灰度空间分布特性(概率)、空间统计相关性和图形内各像素点梯度的分布规律。描述了灰度统计和空间结构的纹理特征,有效地提取旋转机械状态参数图形中纹理特征信息。最后,利用RBF人工神经网络实现旋转机械故障诊断。在汽轮机转子试验台上进行了6种状态试验研究,诊断结果表明该方法具有较高的诊断准确率,为旋转机械故障诊断探索了一条新路。     

基于广义粗糙集理论的旋转机械故障诊断

故障诊断规则中判断条件的冗余、不完全和不确定性不利于实际应用。采用广义粗糙集理论对旋转机械振动故障诊断的非完备决策系统进行了分析处理，求出了进行诊断所需的关键条件，由相对约简得到了最优诊断规则。在工程实践中成功地诊断出了大型旋转机械的一些常见故障。     

旋转机械振动故障诊断的一种模糊神经网络方法研究

介绍了一种基于多层感知器的模糊神经网络分类器，并针对其在旋转机械故障诊断中的应用，研究了网络构造过程中输入和输出模糊化的问题。文中利用振动频谱特征就旋转机械中几种典型的故障模式，采用模糊神经网络方法作了识别，且将其与传统的ＢＰ网络及模糊诊断方法进行了比较。研究结果表明：将模糊神经网络方法应用于旋转机械工况识别是有效的，它在处理分类边界模糊的数据时比传统的ＢＰ网络和模糊诊断方法具有更大的优越性。     

关联维数在大型旋转机械故障诊断中的应用

将描述混沌运动搓联维数用于大机组振动信号的分析,并针对故障诊断的实际情况,从点间距的计算、动态关联和标度区的判断等方面对关联维数的Ｇ－Ｐ算法作了一定的改进。分析结果表明：由于不同故障的动力学产生机制不同,通常也具有不同的关联维数。因此,关联维数可用于非线性故障的特征提取。     

BP神经网络在机械故障诊断中的应用

随着现代化生产的进行,机械设备的故障诊断技术日益受到重视.介绍BP算法神经网络模型,给出BP神经网络应用于机械故障诊断的基本步骤.阐述三层BP神经网络采用数据驱动正向推理的故障诊断策略.即从初始状态出发,向前推理到达目标状态为止.介绍BP神经网络在机械故障诊断中的应用及实例,对某型号拖拉机变速箱中的主要零件——齿轮和轴承进行故障诊断振动测试,对部分齿轮和轴承发生故障时的振动信号进行测量.虽然BP网络在机械故障诊断中已得到广泛的应用,但由于神经网络本身还处于发展之中,还有不少问题需要进一步深入研究.     

旋转机械动静碰摩机理研究

通过引入混沌理论对碰摩的非线性特征进行了理论分析及数值求解，研究不平衡力和转速等条件发生变化时，碰摩的发展历程。结果表明，随控制参数转速的变化，碰摩出现从稳定周期运动经过倍周期分叉到达混沌的特征。文中对某电厂200MW机组出现的碰摩故障进行了实际分析和理论对照，得到的一般规律和理论定性分析结果一致。     

基于HMM的核动力旋转机械故障诊断的研究

隐Markov模型(HMM)已经证明是学习动态时间序列的概率模型的最广泛应用的工具之一,它可以使用一个隐变量来模拟系统的动态行为的变化。核动力旋转机械升速过程具有信息量大、信号非平稳、重复再现性不佳等特点,HMM很适合处理此类信号。将HMM引人到核动力旋转机械的故障诊断中,提出了一种基于HMM的故障诊断方法。